[發(fā)明專(zhuān)利]基于深度學(xué)習(xí)的網(wǎng)絡(luò)設(shè)備端口故障智能預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810421638.0
• 申請(qǐng)日: 2018-05-04
• 公開(kāi)（公告）號(hào): CN110460454B
• 公開(kāi)（公告）日: 2022-02-08
• 發(fā)明（設(shè)計(jì)）人: 沙泉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海伽易信息技術(shù)有限公司
• 主分類(lèi)號(hào): H04L41/147
• 分類(lèi)號(hào): H04L41/147;H04L41/14;H04L41/142;H04L41/06;H04L41/069;G06N20/00;G06N3/04;G06K9/62
• 代理公司: 上海宏京知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31297
• 代理人: 鄧文武

基于深度學(xué)習(xí)的網(wǎng)絡(luò)設(shè)備端口故障智能預(yù)測(cè)方法，包括以下操作步驟：A)、輸入數(shù)據(jù)源；B)、由大數(shù)據(jù)智能分析系統(tǒng)進(jìn)行大數(shù)據(jù)智能分析，匹配端口告警信息并匯總資源使用信息；C)、分析結(jié)果，首先構(gòu)建深度學(xué)習(xí)訓(xùn)練模型，然后進(jìn)行離線(xiàn)訓(xùn)練和在線(xiàn)訓(xùn)練，最后進(jìn)行模型效果運(yùn)行輸出；D)、輸出端口智能預(yù)警信息。本發(fā)明提升了網(wǎng)絡(luò)設(shè)備的智能化運(yùn)維能力，實(shí)現(xiàn)了網(wǎng)絡(luò)設(shè)備運(yùn)維從“事后”向“事前”發(fā)展，真正實(shí)現(xiàn)了網(wǎng)絡(luò)設(shè)備運(yùn)維的“防患于未然”，推廣應(yīng)用具有良好的經(jīng)濟(jì)效益和社會(huì)效益。

技術(shù)領(lǐng)域

本發(fā)明屬于電信技術(shù)領(lǐng)域，涉及網(wǎng)絡(luò)設(shè)備運(yùn)維，特別涉及一種基于深度學(xué)習(xí)的網(wǎng)絡(luò)設(shè)備端口故障智能預(yù)測(cè)方法。

背景技術(shù)

網(wǎng)絡(luò)設(shè)備傳統(tǒng)運(yùn)維模式是：網(wǎng)管系統(tǒng)發(fā)現(xiàn)設(shè)備告警后，通知維護(hù)人員進(jìn)行維修，屬于事后的人工修復(fù)，故障響應(yīng)時(shí)間長(zhǎng)，不能滿(mǎn)足實(shí)時(shí)性高的業(yè)務(wù)需求。系統(tǒng)運(yùn)維人員處于大部分時(shí)間和精力都是處理一些簡(jiǎn)單重復(fù)的問(wèn)題，體力勞動(dòng)偏大，工作效率低，需要投入大量的維護(hù)資源；存在以下技術(shù)缺陷：網(wǎng)絡(luò)設(shè)備傳統(tǒng)運(yùn)維的網(wǎng)管系統(tǒng)不具備智能故障分析功能，業(yè)務(wù)異常時(shí)需要維護(hù)人員耗費(fèi)大量的人力來(lái)進(jìn)行故障查證，尋找故障原因，系統(tǒng)維護(hù)效率低，不具備智能故障預(yù)警功能，一旦出現(xiàn)嚴(yán)重故障還會(huì)影響系統(tǒng)的正常運(yùn)行，系統(tǒng)維護(hù)較為被動(dòng)。

如何構(gòu)建深度學(xué)習(xí)訓(xùn)練模型，如何利用在線(xiàn)訓(xùn)練模型并智能預(yù)測(cè)端口故障，如何提升網(wǎng)絡(luò)設(shè)備的智能化運(yùn)維能力，成為急需解決的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的是要解決上述技術(shù)問(wèn)題。

基于深度學(xué)習(xí)的網(wǎng)絡(luò)設(shè)備端口故障智能預(yù)測(cè)方法，其特征在于：包括以下操作步驟：

A)、輸入數(shù)據(jù)源；數(shù)據(jù)源由端口Snmp流量數(shù)據(jù)和設(shè)備N(xiāo)CLog運(yùn)行日志數(shù)據(jù)組成；

B)、由大數(shù)據(jù)智能分析系統(tǒng)進(jìn)行大數(shù)據(jù)智能分析，匹配端口告警信息并匯總資源使用信息；

C)、分析結(jié)果，首先構(gòu)建深度學(xué)習(xí)訓(xùn)練模型，然后進(jìn)行離線(xiàn)訓(xùn)練和在線(xiàn)訓(xùn)練，最后進(jìn)行模型效果運(yùn)行輸出；

其中構(gòu)建深度學(xué)習(xí)訓(xùn)練模型的方法為：對(duì)于端口網(wǎng)絡(luò)N(V,E)，其中結(jié)點(diǎn)v∈V為單個(gè)端口，e∈E表示端口之間的通信，不關(guān)心端口之間的通信內(nèi)容，而是關(guān)注端口的出入流量，一個(gè)正常的端口具有穩(wěn)定合理的出入流量的屬性，該屬性能在一定程度上反映端口的異常與否；

端口網(wǎng)絡(luò)N中的某個(gè)結(jié)點(diǎn)v可以表示為{(in 1,out 1,t 1),(in 2,out 2,t2)...}，其中(in i,out i,t i)表示在t i時(shí)刻，v具有入流量in i，出流量out i；

基于以上分析，將一個(gè)進(jìn)程或端口發(fā)生崩潰、阻塞的異常現(xiàn)象定義為網(wǎng)絡(luò)中一個(gè)結(jié)點(diǎn)的狀態(tài)；在給定的時(shí)間戳下，網(wǎng)絡(luò)中的結(jié)點(diǎn)可以被分為兩類(lèi)：處于異常狀態(tài)的結(jié)點(diǎn)和處于正常狀態(tài)的結(jié)點(diǎn)；因此，預(yù)測(cè)網(wǎng)絡(luò)中結(jié)點(diǎn)的異常可以轉(zhuǎn)化為針對(duì)網(wǎng)絡(luò)結(jié)點(diǎn)的二分類(lèi)問(wèn)題；

深度學(xué)習(xí)端口日志獲得離線(xiàn)模型的方法為：基于Keras框架深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)備的歷史日志數(shù)據(jù)，并結(jié)合網(wǎng)管系統(tǒng)輸出真實(shí)告警作為標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練，獲得網(wǎng)絡(luò)端口故障預(yù)測(cè)的離線(xiàn)模型；

在線(xiàn)訓(xùn)練模型并智能預(yù)測(cè)端口故障的方法為：利用最近三天的網(wǎng)絡(luò)日志數(shù)據(jù)，在線(xiàn)訓(xùn)練已有的故障預(yù)測(cè)離線(xiàn)模型，并智能預(yù)測(cè)未來(lái)第四天的網(wǎng)絡(luò)設(shè)備端口故障；

網(wǎng)絡(luò)端口故障類(lèi)型智能診斷包括端口狀態(tài)故障，流量過(guò)閥值故障，PING故障，采集超時(shí)故障，流量計(jì)費(fèi)故障；

D)、輸出端口智能預(yù)警信息。

所述的步驟B)中,通過(guò)端口Snmp流量數(shù)據(jù)匹配端口告警信息。

所述的步驟B)中，通過(guò)設(shè)備N(xiāo)CLog運(yùn)行日志數(shù)據(jù)匯總資源使用信息。

所述的步驟D)中，輸出端口智能預(yù)警信息包括以下操作步驟：

Ⅰ)、產(chǎn)出最優(yōu)預(yù)測(cè)模型；